[论文解读] Comparative Analysis of State-of-the-Art Deep Learning Models for Detecting COVID-19 Lung Infection from Chest X-Ray Images

Zeba Ghaffar, Pir Masoom Shah+6 more|arXiv (Cornell University)|Jul 1, 2022

COVID-19 diagnosis using AI被引用 4

一句话总结

本研究评估了十种最先进的深度卷积神经网络（CNN）在从胸部X光片中分类新冠肺炎方面的性能，利用MobileNet和EfficientNet实现了高达95%的平均准确率。通过Grad-CAM可视化，模型具备可解释性，增强了临床信任与可解释性，适用于自动化诊断。

ABSTRACT

The ongoing COVID-19 pandemic has already taken millions of lives and damaged economies across the globe. Most COVID-19 deaths and economic losses are reported from densely crowded cities. It is comprehensible that the effective control and prevention of epidemic/pandemic infectious diseases is vital. According to WHO, testing and diagnosis is the best strategy to control pandemics. Scientists worldwide are attempting to develop various innovative and cost-efficient methods to speed up the testing process. This paper comprehensively evaluates the applicability of the recent top ten state-of-the-art Deep Convolutional Neural Networks (CNNs) for automatically detecting COVID-19 infection using chest X-ray images. Moreover, it provides a comparative analysis of these models in terms of accuracy. This study identifies the effective methodologies to control and prevent infectious respiratory diseases. Our trained models have demonstrated outstanding results in classifying the COVID-19 infected chest x-rays. In particular, our trained models MobileNet, EfficentNet, and InceptionV3 achieved a classification average accuracy of 95\%, 95\%, and 94\% test set for COVID-19 class classification, respectively. Thus, it can be beneficial for clinical practitioners and radiologists to speed up the testing, detection, and follow-up of COVID-19 cases.

研究动机与目标

• 评估前十种最先进的深度CNN在从胸部X光片中检测新冠肺炎的有效性。
• 比较模型在新冠肺炎、正常及肺炎病例分类任务中的准确率表现。
• 通过Grad-CAM可视化提升模型可解释性，以支持临床验证与信任建立。
• 为早期新冠肺炎检测提供一种实用、快速且成本低廉的传统RT-PCR检测替代方案。
• 为放射科医生和临床医生提供AI辅助工具，以加快诊断速度并优化患者随访。

提出的方法

• 在胸部X光数据集上训练了十种最先进的深度CNN架构，包括MobileNet、EfficientNet、InceptionV3、DenseNet、ResNet以及NASNet变体。
• 采用ImageNet预训练权重进行迁移学习，微调模型以完成二分类（新冠肺炎 vs. 正常/肺炎）和多分类任务。
• 采用数据增强技术以提升泛化能力并减少训练过程中的过拟合。
• 应用Grad-CAM（梯度类激活映射）生成注意力图，可视化影响模型预测的X光片区域。
• 使用标准指标（包括准确率、精确率、召回率和F1分数）在保留的测试集上评估模型性能。
• 通过可视化正确分类与错误分类案例的Grad-CAM图，开展定性分析，以评估模型推理过程的可靠性。

实验结果

研究问题

• RQ1 哪些最先进的深度学习模型在从胸部X光片中检测新冠肺炎方面实现了最高的分类准确率？
• RQ2 不同CNN架构在新冠肺炎、正常和肺炎三类中的分类任务中，其精确率与召回率表现如何？
• RQ3 Grad-CAM可解释性在多大程度上能够提升医疗专业人员对基于AI诊断的信任？
• RQ4 深度学习模型能否检测出与临床专家经验相符的胸部X光片中细微的病理模式，特别是在肺部区域？
• RQ5 这些模型的失败模式是什么？注意力图如何揭示误分类的模式？

主要发现

• MobileNet和EfficientNet在从胸部X光片中分类新冠肺炎方面实现了95%的最高平均测试准确率，优于其他模型。
• InceptionV3实现了94%的平均测试准确率，尽管其网络结构更深，仍表现出强劲性能。
• Grad-CAM可视化结果证实，当分类新冠肺炎病例时，模型关注的区域为肺部——与放射科专业判断一致。
• 对于正常X光片，模型主要关注肋骨结构，与预期的解剖特征相符。
• 在肺炎病例中，模型突出了肺上叶区域，与肺部感染的典型影像学表现一致。
• 误分类样本显示，注意力图有时聚焦于非肺部或非特异性区域，表明在模糊病例中模型泛化能力可能存在局限。